Загружаем каталог…
НАВИГАТОР ПО ВОЗМОЖНОСТЯМ ИИ
Найдите свой ИИ-инструмент. Бесплатный доступ, пробные периоды и кредиты — в одном месте.
AIタグが付けられた新着記事 - Qiita
TOAI System CTO (IDE Gemini CTO) です。 生成AIのローカル実行環境がコモディティ化する中、開発現場においてOllamaなどのローカルLLMを導入する企業が急増しています。しかし、プロダクション環境やチーム開発の検証基盤として運用を開始した...
Балл: 57.38Уверенность: 54%
ПодробнееReadhub
恒大物业接清盘人告知其已收到若干潜在买方提交的潜在交易方案,中国恒大与 CEG Holdings 作为潜在卖方已与一名选定投标人签订排他性协议,双方同意在 10 月 27 日前就潜在交易开展排他性谈判,目前正磋商正式买卖协议条款,尚未订立任何正式买卖协议,最终交易文件签署时间尚未确定。
Балл: 57.33Уверенность: 54%
ПодробнееReadhub
柳道实业控股有限公司向港交所提交上市申请书,联席保荐人为中金公司、中信证券。
Балл: 57.33Уверенность: 54%
ПодробнееReadhub
仅 14 名员工、创始人不到 25 岁且无独立 APP 的个人 AI 创业公司 Instinct 完成 10 亿美元 C 轮融资,估值达 100 亿美元。该产品主打无需用户学习新界面,可通过短信、电话、邮件等方式联系,以类真人礼宾的 AI Agent 形态替用户处理日常事务,从基础事务处理、串联多步任务到支持人际日程协调,目前采用邀请制实现零营销成本下的用户快速增长,年化 GMV 接近或超过 10 亿美元。当前消费级 AI 智能体正从概念进入产品竞争阶段,Meta、Manus、OpenAI 等巨头纷纷推出相关产品,各方争夺用户默认使用的智能体入口,这一趋势可能重构现有互联网流量分配逻辑,冲击依赖信息筛选、导流的平台型企业的原有商业模式。Instinct 以非广告的商家成交付费模式凸显独立立场,但也面临算力需求激增、从巨头手中争夺用户习惯、保障用户信任与安全等现实挑战。
Балл: 57.33Уверенность: 54%
ПодробнееReadhub
2026 年三季度最后一个交易日结束后市场进入三季报披露筹备期,目前共有 177 家 IPO 审核状态为中止,其中上交所 58 家、北交所 119 家。9 月 30 日有 58 家 IPO 审核状态集中变更为中止(财报更新),原因均为发行上市申请文件中记载的财务资料已过有效期,需要补充提交。
Балл: 57.33Уверенность: 54%
Подробнееvelog
Call Girls In Paharganj (Delhi ncr) 8447389422 Direct h,*nline,Payment...For Genuine call-girl , WhatsApp’s & Call C Affordable price , Real High Profiles Guarantee , % Customers Satisfaction Top Grade Service Cooperative All round Service. ( ***H ON DROP IN HOTEL ROOM ) BJ (Blowjob Without a Condom)? Completion (Oral to completion Covered (Covered blowjobvv Without a Condom) DSL (Dick Sucking Lips)? DT (Dining at the Toes English Spanking) Doggie (Sex style from no behind)?? OutCall- All Over Delhi Noida Gurgaon */ FOR APPOINTMENT Call/Whatsop / 8447389422
Балл: 54.4Уверенность: 49%
Подробнееvelog
문제 내가 생각했을때 문제에서 원하는부분 한 개 이상의 항의 합으로 이루어진 식을 다항식이라고 합니다. 다항식을 계산할 때는 동류항끼리 계산해 정리합니다. 덧셈으로 이루어진 다항식 polynomial이 매개변수로 주어질 때, 동류항끼리 더한 결괏값을 문자열로 return 하도록 solution 함수를 완성해보세요. 같은 식이라면 가장 짧은 수식을 return 합니다. 내가 이 문제를 보고 생각해본 부분 int xCount = 0;: $x$항의 계수들을 누적하는 변수이다. int numCount = 0;: 숫자만 있는 상수항들을 누적하는 변수이다. String[] terms = polynomial.split(" ");: 입력된 수식에서 공백을 기준으로 항과 연산자를 쪼개서 배열로 만든다. for (String term : terms): 쪼개진 항들을 하나씩 돌면서 확인한다. if (term.equals("+")) continue;: + 기호는 연산자이므로 계산할 필요 없이 건너뛴다. x항 처리 (if (term.contains("x"))):항에 x가 포함되어 있을 때 실행된다. 만약 그냥 "x"라면 계수가 생략된 것이므로 xCount에 1을 더한다. "3x"처럼 숫자가 함께 있다면 replace("x", "")로 x를 지우고 남은 숫자를 정수로 바꿔 xCount에 더한다. 상수항 처리 (else):x가 없는 항은 순수 숫자들이므로 정수로 변환하여 numCount에 더한다. StringBuilder answer = new StringBuilder();: 문자열을 효율적으로 이어 붙이기 위해 사용한다. x항 조립:xCount가 0보다 클 때만 실행된다. 계수가 1이면 1x가 아니라 x만 추가하고, 1보다 크면 숫자와 x를 함께 붙인다. 상수항 조립:numCount가 0보다 클 때만 실행된다. 앞에 x항이 이미 존재했다면 수식 연결을 위해 " + "를 먼저 붙인 뒤 숫자를 더해준다. return answer.toString();: 완성된 최종 수식 문자열을 반환한다. 코드로 구현 class Solution { public String solution(String polynomial) { int xCount = 0; int numCount = 0; String[] terms = polynomial.split(" "); for (String term : terms) { if (term.equals("+")) { continue; } if (term.contains("x")) { if (term.equals("x")) { xCount += 1; } else { xCount += Integer.parseInt(term.replace("x", "")); } } else { numCount += Integer.parseInt(term); } } StringBuilder answer = new StringBuilder(); if (xCount > 0) { if (xCount == 1) { answer.append("x"); } else { answer.append(xCount).append("x"); } } if (numCount > 0) { if (xCount > 0) { answer.append(" + "); } answer.append(numCount); } return answer.toString(); } } 프로그래머스 코드 package programmers.programmers2; // 프로그래머스 다항식 더하기 public class Main159 { public static void main(String[] args) { Main159 main = new Main159(); // 테스트 케이스 실행 및 확인 String test1 = "3x + 7 + x"; String test2 = "x + x + x"; System.out.println(main.solution(test1)); // 예상: 4x + 7 System.out.println(main.solution(test2)); // 예상: 3x } public String solution(String polynomial) { int xCount = 0; int numCount = 0; String[] terms = polynomial.split(" "); for (String term : terms) { if (term.equals("+")) { continue; } if (term.contains("x")) { if (term.equals("x")) { xCount += 1; } else { xCount += Integer.parseInt(term.replace("x", "")); } } else { numCount += Integer.parseInt(term); } } StringBuilder answer = new StringBuilder(); if (xCount > 0) { if (xCount == 1) { answer.append("x"); } else { answer.append(xCount).append("x"); } } if (numCount > 0) { if (xCount > 0) { answer.append(" + "); } answer.append(numCount); } return answer.toString(); } } 위에 있는 코드를 변경한 코드 마무리 코드와 설명이 부족할수 있습니다. 코드를 보시고 문제가 있거나 코드 개선이 필요한 부분이 있다면 댓글로 말해주시면 감사한 마음으로 참고해 코드를 수정 하겠습니다.
velog
Call Girls In GTB Nagar (Delhi ncr) 8447389422 Direct h,*nline,Payment...For Genuine call-girl , WhatsApp’s & Call C Affordable price , Real High Profiles Guarantee , % Customers Satisfaction Top Grade Service Cooperative All round Service. ( ***H ON DROP IN HOTEL ROOM ) BJ (Blowjob Without a Condom)? Completion (Oral to completion Covered (Covered blowjobvv Without a Condom) DSL (Dick Sucking Lips)? DT (Dining at the Toes English Spanking) Doggie (Sex style from no behind)?? OutCall- All Over Delhi Noida Gurgaon */ FOR APPOINTMENT Call/Whatsop / 8447389422
Балл: 54.4Уверенность: 49%
Подробнееvelog
Buy Verified LinkedIn Accounts ✨📲⚡ ║ Telegram ║ @Getsmmzoneofficial ║ 💠🦋⚡ ⚡💬⚡ ║ WhatsApp ║ +1 (352) 828-5265 ║ 🟢🔥⚡ 💫📧⚡ ║ Email ║ getsmmzone@gmail.com ║ 💜🔮⚡ 🚀🌐⚡ ║ Website ║ https://getsmmzone.com/product/buy-verified-linkedin-accounts/ Buy Verified LinkedIn Accounts Buy verified LinkedIn accounts from GetSmmZone.com and get instant access to professional networking. Our accounts are safe, fully verified and ready to use. Trusted by businesses and marketers worldwide, we offer prompt delivery, excellent customer service, and quality assurance. Take your LinkedIn marketing and outreach to the next level today with a trusted solution from GetSmmZone. Details & Features Verified LinkedIn Accounts: ✮ 100% Verified LinkedIn Account. ✮ 100% KYC Verification Complete. ✮ Email and Number Verified. ✮ ID/Passport/Driving License Verified. ✮ Bank Statement/Utility Bill Verified. ✮ Instant Access. ✮ Instant Delivery. ✮ 24/7 Customer Support. If you need any service, contact us or order your valuable service. You will definitely get satisfaction from our service, which you will not get anywhere else. Our goal is your satisfaction and good quality service. ✨📲⚡ ║ Telegram ║ @Getsmmzoneofficial ║ 💠🦋⚡ ⚡💬⚡ ║ WhatsApp ║ +1 (352) 828-5265 ║ 🟢🔥⚡ 💫📧⚡ ║ Email ║ getsmmzone@gmail.com ║ 💜🔮⚡ 🚀🌐⚡ ║ Website ║ https://getsmmzone.com/product/buy-verified-linkedin-accounts/
Балл: 54.4Уверенность: 49%
Подробнееvelog
    매번 해야지 해야지라고만 했던 논문 구현을 해보려고 한다. 처음에는 비교적 쉬운 논문으로 구현이 어떻게 이루어지는지 알아보기 위해 SRCNN을 골랐다. 이전에 내가 논문을 읽고 정리했던 글은 아래 링크에 있다. Image Super Resolution Using Deep Convolutional Networks - SRCNN 1. 구현 전 1) 계획     구현하기 전에 대략적으로 어떤 방식으로 구현할 지 생각해 보았다. 처음 논문을 구현하는 것이다 보니 일단 아래와 같은 파일 구조로 만드려고 생각하고 있다. model : 모델의 구조나 필요한 기능들로 구성된 모듈 evaluation : test data를 가지고 모델의 성능을 평가하기 위한 모듈 data : 데이터를 train과 test set으로 나누고, 이를 로드하는 모듈 2) 모델 스펙     모델을 구현하기 전에 필요한 스펙을 정리해보겠다. 일단 모델의 구조는 위의 사진과 같다. Patch Extraction & Representation -> Non-linear Mapping -> Reconstruction의 단계를 거치게 된다. 먼저, $Y$는 LR image를 bicubic upsampling을 의미한다는 것을 짚고 넘어가자. 논문에서는 이러한 $Y$를 low resolution이라고 표현한다. SRCNN의 목적은 $X \approx F(Y)$를 목적으로 한다. LR image를 원본 HR 이미지와 최대한 비슷하게 복원하는 것이다. i. Layer 1     첫 번째 layer인 patch extraction & representation layer의 식은 아래와 같다. $F_1(Y) = \text{max}(0, W_1*Y + B_1)$ 이때, $$\text{max}$$는 ReLU를 의미하고, $W_1, B_1$은 각각 weight와 bias를 뜻한다. $W_1$ : $c \times f_1 \times f_1$ 크기의 filter $n_1$개. -> 이때, $c$는 채널 수, $f_1$은 filter의 크기 $B_1$ : $n_1$ 차원의 벡터. ii. Layer 2     두 번째 layer인 Non-linear Mapping layer의 식은 아래와 같다. $F_2(Y) = \text{max}(0, W_2*F_1(Y) + B_2)$ 마찬가지로 $W_2$ : $n_1 \times f_2 \times f_2$ 크기의 filter $n_2$개. -> 이때, $n_1$는 채널 수, $f_2$은 filter의 크기 $B_1$ : $n_2$ 차원의 벡터. iii. Layer 3     세 번째 layer인 Reconstruction layer의 식은 아래와 같다. $F(Y) = \text{max}(0, W_3*F_2(Y) + B_3)$ 마찬가지로 $W_3$ : $n_2 \times f_3 \times f_3$ 크기의 filter $c$개. -> 이때, $n_2$는 채널 수, $f_3$은 filter의 크기 $B_1$ : $c$ 차원의 벡터. 각 layer는 위와 같은 구성을 갖는다. 3) Training     이제 training 시의 세팅에 대해서 알아보자. Loss Function     Loss Function으로 MSE(Mean Squared Error)를 사용한다. 식은 아래와 같다. $L(\theta) = {1 \over n}\sum_{i=1}^n ||F(Y_i;\theta) -X_i||^2$ 이때, $n$은 training sample 수를 의미한다. Optimization     기본적인 SGD를 사용하고, 그 식은 아래와 같다. $\Delta_{i+1} = 0.9 \Delta_i -\eta {{dL}\over{dW_i^l}}$ ($\eta$ : learning rate) $W_{i+1}= W_i^l + \Delta_{i+1}$ weight matrix의 초기화는 Gaussian Distribution $N \sim (0,0.001^2)$에서 random하게 뽑고, bias=0으로 설정한다. learning rate는 layer 1, layer 2에 대해서는 $10^{-4}$, layer 3에 대해서는 $10^{-5}$로 설정한다. Image Setting     먼저 우리가 훈련에 사용할 이미지가 어떻게 만들어지는지를 알아보자. 일단 training image를 $f_{sub}\times f_{sub} \times c$의 크기로 random하게 crop한다. 이것이 Ground Truth image ${X_i}$가 된다. 여기서 LR image ${Y_i}$를 만들기 위해 $X_i$에 gaussian kernel을 이용해 blur를 먹이고, (1/upscaling factor)로 downsampling 해 준다. 이것이 LR image ${Y_i}$이 된다. 그러나 논문에서는 이를 다시 upscaling(bicubic interpolation을 사용한다.)한 이미지를 $Y_i$로 표현한다. 따라서 네트워크의 input으로 들어가는 것은 upsampling된, 즉 HR image와 크기가 똑같은 upsampled LR image인 것이다. Conv Layer     다음은 conv layer에 대한 이야기이다. padding=0 으로 세팅하고, network output의 크기는 $(f_{sub}-f_1-f_2-f_3+3)^2 \times c$ 이다. 나중에 네트워크를 다 구현하고 제대로 했는지 검토할 때 output의 크기가 이대로 나왔는지 알아보기 위해 사용하면 좋을 것 같다. 4) Experiment     이제 구현에 필요한 구체적인 숫자들을 살펴보자. $c=1$ : 채널은 한 개만 사용하며, 이는 Y channel이다. PSNR이나 SSIM을 계산할 때도 하나의 channel에 대해서만 계산한다. $f_{sub}=33, f_1 = 9, f_2 = 1, f_3 = 5, n_1=64, n_2=32$ upsampling factor = 3 Dataset은 91-image dataset과 ImageNet 2013을 주로 사용했는데, ImageNet은 비용이 너무 많이 들어 사용하기 힘들고, 91-image를 가지고 구현을 진행해야 할 것 같다. 또, Set5, Set14을 validation set으로 사용한다. 잠시 dataset에 들어 있는 이미지 개수를 보자. $f_{sub} =33$이고, stride = 14로 놓고 original image에서 추출하면 총 24800개의 이미지가 나온다. 5) Evaluation     baseline은 이전의 방법론인 sparse coding method로, PSNR = 31.42dB를 가진다. 저자들이 구현한 모델의 91-image dataset에서의 성능은 32.39dB이다. 내가 구현한 모델에서도 이 근처의 값이 나오는지 확인해야 한다. 또 하나 신경 써야 할 것은 Evaluation time이다. 2. 내가 구현해 볼 실험들     일단 기본적으로 91-image dataset + SRCNN을 가지고 실험을 진행한다. 따라서 가장 먼저 구현할 것은 PSNR이 32.39dB과 비슷한 수치가 나오는 지이다. 두 번째로는 논문에서 filter의 사이즈에 따른 성능을 비교한 실험을 구현해보려고 한다. 이렇게 하고 나서 내가 이 논문에 관해 느끼는 바를 정리하고 분석해보려고 한다.
velog
◀인디언게임 ◀인디여기서 실버는 보통 어떤 게임이나 사이트의 회원·판매·파트너 등급을 뜻하는 표현일 수 있는데, 실제로 실버 등급인지 확인하려면 해당 운영 주체가 정한 등급표나 공식 안내가 필요합니다.고게임 ◀블루게임 ◀바이브게임 ◀AK게임 ◀랩터게임 ◀총판 ◀매장
Балл: 54.4Уверенность: 49%
Подробнееvelog
문제: 행렬의 곱셈 < 수학적 지식 > 이 문제는 풀이보다 행렬의 곱셈이 어떻게 이루어지는지 짚고 넘어갈 필요가 있다. 예전에 배웠지만 가물가물해서, 다시 공부하며 기록한다. 행렬의 곱셈이란? 앞 행렬의 행 과 뒤 행렬의 열 을 같은 위치끼리 곱한 뒤 모두 더한다. 곱할 수 있는 조건 A가 m × n , B가 n × p 일 때, A의 열 개수 와 B의 행 개수 가 같아야 곱할 수 있고, 결과는 m × p 가 된다. (2 × 3) × (3 × 2) = (2 × 2) 다만 이 문제는 아래처럼 곱할 수 있는 행렬만 주어진다. 그래서 크기 검사는 생략하고, 곱셈 계산에만 집중한다. 계산 방법 결과의 i 행 j 열 값은 A의 i 행과 B의 j 열을 같은 위치끼리 곱해서 더한 값이다. A = | 1 2 3 | B = | 7 8 | | 4 5 6 | | 9 10 | | 11 12 | C[0][0] = A의 0행 · B의 0열 = 1×7 + 2×9 + 3×11 = 58 C[0][1] = A의 0행 · B의 1열 = 1×8 + 2×10 + 3×12 = 64 C[1][0] = A의 1행 · B의 0열 = 4×7 + 5×9 + 6×11 = 139 C[1][1] = A의 1행 · B의 1열 = 4×8 + 5×10 + 6×12 = 154 C = | 58 64 | | 139 154 | 일반식 C[i][j] = A[i][0]×B[0][j] + A[i][1]×B[1][j] + ... + A[i][n-1]×B[n-1][j] 위 식에서 바뀌는 부분을 k 로 두면 다음과 같이 정리된다. C[i][j] += A[i][k] × B[k][j] (k = 0 ~ n-1) n 은 A의 열 개수(= B의 행 개수)이고 인덱스는 0부터 시작하므로, k 는 0 부터 n-1 까지 돈다. 참고 행렬 곱셈 - 위키백과 < 코드 > class Solution { public int[][] solution(int[][] arr1, int[][] arr2) { int m = arr1.length; int p = arr2[0].length; int n = arr1[0].length; int[][] answer = new int[m][p]; for (int i = 0; i < m; i++) { for (int j = 0; j < p; j++) { int sum = 0; for (int k = 0; k < n; k++ ) { sum += arr1[i][k] * arr2[k][j]; } answer[i][j] = sum; } } return answer; } }
Балл: 54.4Уверенность: 49%
ПодробнееБалл: 54.4Уверенность: 49%
Балл: 54.4Уверенность: 49%